PROGRAM BANTU PENEMPATAN PERSEDIAAN BARANG SANITER PADA DUA TOKO DENGAN METODE NAÏVE BAYES

Transkripsi

1 PROGRAM BANTU PENEMPATAN PERSEDIAAN BARANG SANITER PADA DUA TOKO DENGAN METODE NAÏVE BAYES Umi Proboyekti, Djoni Dwiyana Abstrak Barang saniter merupakan salah satu macam barang yang dijual di toko bahan bangunan. Jenis barangnya yang bermacam-macam menyulitkan pemilik toko dalam membuat keputusan mengenai penempatan barang tersebut. Banyaknya faktor dalam penempatan barang seperti jenis barangnya, harga, model dan bahan dapat mempengaruhi keputusan pemilik dalam menempatkan barang. Solusi untuk permasalahan yang dihadapi dalam menentukan penempatan barang saniter yang tepat yaitu dengan membangun sebuah program bantu penempatan barang saniter yang dapat memberikan rekomendasi tujuan penempatan kepada pemilik toko sesuai dengan informasi yang diberikan dengan menggunakan metode Naïve Bayes. Atribut yang digunakan dalam membuat klasifikasi meliputi jenis barang, harga, model dan bahan dari barang saniter. Dari klasifikasi yang sudah ditentukan maka dihitung nilai probabilitas tujuan penempatan barang tersebut dengan menggunakan metode Naïve Bayes. Output dari program adalah toko tujuan penempatan barang yang memiliki nilai probabilitas yang paling besar. Hasil dari penelitian ini adalah sebuah sistem penempatan persediaan barang saniter berdasarkan perhitungan probabilitas dengan menggunakan metode Naïve Bayes. Perhitungan probabilitas berdasarkan atribut yang digunakan dalam membuat klasifikasi yang meliputi atribut jenis barang, harga, model dan bahan dari barang saniter. Hasil keputusan akhir dari tujuan penempatan persediaan barang saniter kembali kepada pemilik tersebut. Kata Kunci : persediaan, Naïve Bayes, Saniter 1. Pendahuluan Toko Bahan Bangunan menyediakan berbagai macam kebutuhan dalam membangun sebuah rumah, gedung, jalan dan lainnya. Salah satu bagaian yang dijual adalah barang-barang saniter. Barang saniter merupakan jenis barang halus tidak seperti barang bahan bangunan lain yang digunakan untuk membangun sebuah gedung atau rumah. Contoh barang ini adalah bathup, bak kamar mandi, closet, handel pintu, slot pintu dan lainnya. Dalam sebuah toko bahan bangunan pasti memiliki berbagai macam barang saniter, baik dari segi merk, model, harga dan lainya. Dari banyaknya barang saniter yang dijual, tentu pemilik dari toko bangunan tersebut memikirkan tantang penyediaan barang saniter tersebut. Dilihat dari banyaknya merk barang tersebut, harga yang bervariasi dari setiap merk dan sebagainya, akan menimbulkan masalah yaitu membuat pemilik sulit menentukan penempatan barang saniter yang tepat pada segmen yang berbeda, agar penjualan barang tersebut dapat terjual dengan maksimum. Solusi untuk permasalahan yang dihadapi dalam menentukan penempatan barang saniter yang tepat yaitu dengan membangun sebuah program bantu penempatan barang saniter yang dapat memberikan rekomendasi tujuan penempatan kepada pemilik toko sesuai dengan informasi yang diberikan dengan menggunakan metode Naïve Bayes. Atribut yang digunakan dalam membuat klasifikasi meliputi jenis barang, harga, model dan bahan dari barang saniter. Dari klasifikasi yang sudah ditentukan maka dihitung nilai probabilitas tujuan penempatan barang tersebut dengan

2 PROGRAM BANTU PENEMPATAN menggunakan metode Naïve Bayes. Output dari program adalah toko tujuan penempatan barang yang memiliki nilai probabilitas yang paling besar. 2. Landasan Teori 2.1.Klasifikasi a. Definisi Klasifikasi Klasifikasi adalah suatu proses pengelompokan data dengan didasarkan pada ciri-ciri tertentu ke dalam kelas-kelas yang telah ditentukan pula. b. Pendekatan umum untuk menyelesaikan masalah klasifikasi Sebuah teknik klasifikasi atau Classifier adalah pendekatan yang sistematik untuk membuat klasifikasi model dari kumpulan input data. Contohnya terdiri dari Decision Tree Classifier, Rule-based Classifier, Neural Network, dan Naïve BayesCclassifier. 2.2.Metode Naïve Bayes Metode Naïve Bayes adalah metode yang dapat digunakan untuk melakukan klasifikasi dokumen secara statistik. Metode ini dapat memprediksi probabilitas keanggotaan suatu kelas dari suatu data. Teorema Bayes (Han dan Kamber, 2001:297), secara sederhana dapat dijelaskan sebagai berikut : P(Ci X) = [2.1] P(X) = probabilitas konstan untuk semua kelas sehingga hanya bentuk P(X Ci).P(Ci) yang dimaksimumkan. P(Ci) = probabilitas yang dihitung melalui traning data. P(X Ci) = probabilitas yang nantinya akan dihitung dengan rumus Implementasi Metode Naïve Bayes Terdapat 7 buah sampel dengan 1 diantaranya terdapat nilai yang hilang. Tabel 1. Sample Data Untuk data pada Tabel Sample Data di atas, diperoleh 6 buah sampel sebagai data training dan sebuah sampel mempunyai nilai yang hilang. Harga, bahan, daya beli masyarakat, segmentasi pasar disebut sebagai dimensi input sedangkan tujuan sebagai output klasifikasi. Untuk memperoleh nilai prediksi, maka dicari nilai terbesar atau sama di antara P(ATS Tujuan).P(Tujuan) untuk i = GJ, SGS dan Keduanya karena hanya terdapat 3 macam nilai untuk Tujuan. Langkah-langkah perhitungan mencari nilai probabilitas : a. Mencari nilai probabilitas P(Tujuan) untuk setiap jenis tujuan (GJ, SGS dan Keduanya). 57

3 Jurnal EKSIS Vol 05 No 02 Nov 2012: halaman P(GJ) = 1/6 = P(SGS) = 1/6 = P(Keduanya) = 4/6 = b. Mencari nilai probabilitas P(Xt Tujuan) untuk setiap nilai atribut yang terdapat dalam sampel ATS = {Harga = , Bahan = Plat, Daya Beli Masyarakat = Rendah, Segmentasi Pasar = Menengah Ke Atas, Tujuan =?} menggunakan training data. P(Harga = GJ) = 0/1 = 0 P(Harga = SGS) = 1/1 = 1 P(Harga = Keduanya) = 2/4 = 0.5 P(Bahan = Plat GJ) = 1/1 = 1 P(Bahan = Plat SGS) = 0/1 = 0 P(Bahan = Plat Keduanya) = 2/4 = 0.5 P(Daya Beli Masyarakat = Rendah GJ) = 1/1 = 1 P(Daya Beli Masyarakat = Rendah SGS) = 0/1 = 0 P(Daya Beli Masyarakat = Rendah Keduanya) = 1/4 = 0.25 P(Segmentasi Pasar = Menengah Ke Atas GJ) = 0/1 = 0 P(Segmentasi Pasar = Menengah Ke Atas SGS) = 1/1 = 1 P(Segmentasi Pasar = Menengah Ke Atas Keduanya) = 3/4 = 0.75 Maka probabilitas dari P(ATS Tujuan) menjadi P(ATS GJ) = P(Harga = GJ). P(Bahan = Plat GJ). P(Daya Beli Masyarakat = Rendah GJ). P(Segmentasi Pasar = Menengah Ke Atas GJ) = = 0 P(ATS SGS) = P(Harga = SGS). P(Bahan = Plat SGS). P(Daya Beli Masyarakat = Rendah SGS). P(Segmentasi Pasar = Menengah Ke Atas SGS) = = 0 P(ATS Keduanya) = P(Harga = Keduanya). P(Bahan = Plat Keduanya). P(Daya Beli Masyarakat = Rendah Keduanya). P(Segmentasi Pasar = Menengah Ke Atas Keduanya) = 0,5. 0,5. 0,25. 0,75 = c. Mengalikan hasil yang diperoleh pada langkah pertama dengan hasil yang diperoleh pada langkah kedua untuk memperoleh hasil P(ATS Tujuan i). P(Tujuan i) atau sebanding dengan a) P(Tujuan = GJ ATS) P(ATS GJ). P(GJ) = 0. 0, = 0 b) P(Tujuan = SGS ATS) P(ATS SGS). P(SGS) = 0. 0, = 0 c) P(Tujuan = Keduanya ATS) P(ATS Keduanya). P(Keduanya) = 0, = 0, Dari hasil perhitungan di atas diperoleh nilai probabilitas yang paling besar adalah tujuan Keduanya, maka nilai tersebut dianggap pantas untuk mengisi nilai yang hilang pada sampel ATS = { Harga = , Bahan = Plat, Daya Beli Masyarakat = Rendah, Segmentasi 58

4 PROGRAM BANTU PENEMPATAN Pasar = Menengah Ke Atas, Tujuan = Keduanya}. Karena nilai probabilitas tujuan Keduanya lebih besar daripada tujuan GJ dan SGS. 3. Perancangan Sistem 3.1.Use Case Diagram Gambar 1. Use Case Diagram Use Case diagram digunakan sebagai gambaran tentang apa yang dikerjakan oleh sistem. Ada beberapa fungsi yang ada dalam Use Case diagram ini, fungsi tersebut yaitu fungsi Login, Setup Barang, Setup Jenis Barang, Setup Bahan Barang, Setup Model Barang, Setup Pengguna, Setup Data Training, dan Hitung Probabilitas. Aktor yang terlibat dalam Use Case diagram ini adalah Pemilik dan Sistem itu sendiri. 59

5 Jurnal EKSIS Vol 05 No 02 Nov 2012: halaman Rancangan Proses Gambar 2 Pre Processing Pre Processing merupakan proses dalam menyiapkan data yang dimasukkan oleh pengguna, yang nantinya mengalami proses Cleaning terlebih dahulu untuk menyeleksi data dan proses Data Training untuk melakukan klasifikasi data ke dalam kelas-kelas. 60

6 PROGRAM BANTU PENEMPATAN Gambar 3. Flowchart Proses Data Training Proses Data Training yang merupakan proses penyimpanan atribut-atribut yang telah ditentukan ke dalam kelasnya masing-masing sebagai klasifikasi. 61

7 Jurnal EKSIS Vol 05 No 02 Nov 2012: halaman Gambar 4. Flowchart Perhitungan Metode Naïve Bayes Proses di atas merupakan perhitungan metode Naïve Bayes dalam mencari nilai probabilitas dari setiap atribut yang sudah ditentukan untuk mendapatkan probabilitas dari atribut Tujuan sebagai proses penempatan barang saniter. 62

8 PROGRAM BANTU PENEMPATAN 4. Analisis Sistem Dalam proses analisis, penulis menggunakan 20 data barang untuk melakukan proses pengujian tingkat ketelitian Algoritma Naïve Bayes dan sampel data sebanyak 102 record data sebagai data training. Sebelum melakukan proses pengujian, penulis menyajikan tabel klasifikasi untuk setiap tujuan penempatan barang. 4.1 Analisis Penerapan Algoritma Naïve Bayes Penulis melakukan proses analisis sistem dengan menggunakan informasi dari pemilik dan pengujian sistem untuk membuktikan bahwa hasil keluaran informasi dari pemilik adalah sama dengan hasil keluaran sistem. Dalam melakukan pengujian terhadap algoritma Naïve Bayes, penulis menggunakan sampel data sebanyak 102 record data. Untuk memberikan tujuan penempatan barang yang sesuai, maka nilai masukkan dalam proses pengujian berdasarkan jenis barang, harga, model dan bahan. Tujuan penempatan barang yang disediakan oleh sistem sebanyak 3 macam yaitu toko Gondang Jaya (GJ), toko Sarana Guna Sejati (SGS) dan Keduanya. Tabel 2. Analisis Penerapan Algoritma Naïve Bayes 63

9 Jurnal EKSIS Vol 05 No 02 Nov 2012: halaman Pada Tabel Analisis Penerapan Algoritma Naïve Bayes, tujuan pada kolom pemilik merupakan tujuan penempatan barang berdasarkan informasi dari pemilik toko, sedangkan tujuan pada kolom sistem merupakan output dari perhitungan sistem dengan menggunakan algoritma Naïve Bayes. Pada Tabel Analisis Penerapan Algoritma Naïve Bayes, di kolom output terlihat bahwa terdapat 11 record data barang yang memiliki hasil tujuan penempatan barang yang sama, maka dapat dihitung tingkat ketelitian dari algoritma Naïve Bayes sebagai berikut : Total record (n) = 20 Total record yang nilai outputnya sama (x) = 11 Prosentase ketelitian (%) = = = 55% Berdasarkan uji ketelitian algoritma Naïve Bayes dari 20 data barang, maka tingkat ketelitian penerapan algoritma Naïve Bayes adalah 55%. 4.2 Perhitungan Stok Jika contoh jumlah barang yang dialokasikan adalah 15 buah dan berdasarkan nilai probabilitasnya yang terbesar adalah tujuan Keduanya maka jumlah barang yang dialokasikan untuk kedua toko berdasarkan nilai probabilitas masing-masing tujuan. Contoh : P(GJ X) = 0, P(SGS X) = 0, Perbandingan P(GJ X) dengan P(SGS X) = 0, : 0, = 5 : 1 Nilai perbandingan GJ = 5 (x) Nilai Perbandingan SGS = 1 (y) Total barang yang dialokasikan = 15 (n) Jumlah barang yang dialokasikan ke GJ = = = = 12,5 13 (pembulatan) Berdasarkan perhitungan di atas maka jumlah barang saniter merek GDO yang dialokasikan ke toko GJ adalah 13 buah dan jumlah stok barang tersebut dari 22 buah sekarang menjadi 35 buah. Sedangkan jumlah barang saniter merek GDO yang dialokasikan ke toko SGS adalah 2 buah dan jumlah stok barang tersebut dari 25 buah sekarang menjadi 27 buah. 5. Kesimpulan dan Saran 5.1.Kesimpulan a. Berdasarkan hasil analisis pada bab 4 maka dapat disimpulkan bahwa : b. Hasil perhitungan alokasi persediaan sangat dipengaruhi oleh ada atau tidaknya suatu barang pada suatu toko. 64

10 PROGRAM BANTU PENEMPATAN c. Toko yang mempunyai ragam persediaan yang banyak akan menghasilkan perhitungan probabilitas yang lebih besar tanpa dipengaruhi oleh banyaknya stok sebelumnya. d. Hasil perhitungan alokasi persediaan tidak melibatkan omset penjualan. Oleh karena itu metode ini hanya sesuai atau cocok untuk diimplementasikan pada toko yang alokasi persediaannya stabil, dalam arti perbandingan dari suatu toko dengan yang lain tetap. e. Tingkat ketelitian sistem dalam memberikan prediksi tujuan penempatan barang saniter sebesar 55% dengan menggunakan 20 data barang yang diujikan. Daftar Pustaka Berger, J.O. (1980). Statistical Decision Theory and Bayesian Analysis Second Edition, New York, Inc. : Springer Verlag. Gelman, A., Carlin, J.B., & Stern, H.S. (2004). Bayesian Data Analysis Second Edition, New York, Washington D.C. : A CRC Press Company. Han, J., & Kember, M. (2001). Data Mining: Concepts and Technique, San Franscisco: Morgan Kaufmann Publishers. Junindar. (2010). Learning and Practising Visual Basic 10 + Ms. Access 2010, Yogyakarta : PT. Skripta Media Creative. Mangkulo, H.A. (2004). Belajar Sendiri Membuat Aplikasi Database Sistem Inventori dengan Visual Basic 6.0, Jakarta: PT Elex Media Komputindo. Petroutsos, E. (2002). Menguasai Pemrograman Database dengan Visual Basic 6, Buku 1, Jakarta: PT Elex Media Komputindo. 65